基于深度学习的可持续乳腺病灶分割：乳腺区域分割对性能的影响
计算机视觉与模式识别
2025-03-21 v1 医学物理
摘要
目的：乳腺病灶在动态对比增强磁共振成像（DCE-MRI）中的分割是准确诊断、规划治疗和监测病情进展的关键步骤。本研究旨在突出乳腺区域分割（BRS）对基于深度学习的乳腺病灶分割（BLS）在乳腺DCE-MRI中的影响。方法：本研究使用包含主要59例DCE-MRI扫描的Stavanger数据集，并采用 UNet++ 作为深度学习模型，开展四种不同流程以比较BRS对BLS的影响。这四种方法包括：无BRS的整个体积、带BRS的整个体积、仅带选定病灶切片的BRS，以及带BRS的优化体积。使用数据增强和过采样等预处理方法以增强小数据集、统一数据形状并提高模型性能。通过精确的流程检验最佳体积大小，以确保所有病灶均存在于切片中。为评估模型，采用包含 dice 系数、focal 损失和交叉熵的混合损失函数，以及5折交叉验证方法，并最后使用随机划分的测试数据集评估模型在未见数据上的性能。结果：结果表明，使用BRS显著改善了模型性能和验证。相对于不使用BRS的方法，采用BRS的优化体积方法效果提升约50%，表明BRS在BLS中具有高度有效性。此外，能源消耗大幅改善，降低最高可达450%，为面向未来大数据集的更具环境可持续性的方法提供了绿色解决方案。
引用
@article{arxiv.2503.15708,
title = {Sustainable Deep Learning-Based Breast Lesion Segmentation: Impact of Breast Region Segmentation on Performance},
author = {Sam Narimani and Solveig Roth Hoff and Kathinka Dahli Kurz and Kjell-Inge Gjesdal and Jurgen Geisler and Endre Grovik},
journal= {arXiv preprint arXiv:2503.15708},
year = {2025}
}